Gutscheinbedingungen

*Gültig bis 07.09.2026 auf alle Bücher. Ausgeschlossen sind Zeitschriften, Prozentbücher und Abos | Einlösbar in allen Buchhandlungen von Orell Füssli, Barth Bücher, Buchladen Rapunzel, Schuler Orell Füssli, Stauffacher und ZAP unter Vorweisung des Gutscheins, auf www.orellfüssli.ch durch Eingabe des Gutscheincodes. Beim Service „eBooks verschenken“ und bei eBook-Käufen via eReader nicht einlösbar | Mindesteinkaufswert: Fr. 30.- | Nicht mit anderen Rabatten kumulierbar.

Produktbild: Introduction to Random Signals, Estimation Theory, and Kalman Filtering

Introduction to Random Signals, Estimation Theory, and Kalman Filtering

Fr. 99.90

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

03.04.2025

Abbildungen

XXI, 480 p. 118 illus., 79 illus. in color.

Verlag

Springer Singapore

Seitenzahl

480

Maße (L/B/H)

23.5/15.5/2.8 cm

Gewicht

756 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9980-65-9

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

03.04.2025

Abbildungen

XXI, 480 p. 118 illus., 79 illus. in color.

Verlag

Springer Singapore

Seitenzahl

480

Maße (L/B/H)

23.5/15.5/2.8 cm

Gewicht

756 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-981-9980-65-9

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

  • Produktbild: Introduction to Random Signals, Estimation Theory, and Kalman Filtering
  • Review of Probability Theory.- Random Variables.- Random Signals (autocorrelation, power spectral density).- Response of Linear Systems to Random Inputs (continuous, discrete).- Estimation and Estimator Properties (small sample and large sample properties of estimators, CRLB).- Least Square Estimation Likelihood (likelihood function, detection).- Maximum Likelihood Estimation.- Minimum Mean-Square Error Estimation (Kalman Filter, information filter, filter stability).- Generalizing the Basic Kalman Filter (colored noise, correlated noise, reduced-order estimator, Schmidt Kalman filter sequential computation).- Prediction and Smoothing.- Nonlinear Filtering (Extended Kalman filter, unscented Kalman filter, ensemble Kalman filter, particle filter).- The Expectation Maximization Algorithm.- Markov Models.